XiaoMi-AI文件搜索系统
World File Search SystemGenerali
FedDG：通过连续频率空间中的情节学习对医学图像进行分割的联合域概括
联合学习允许分布式的医疗机构可以协作学习具有隐私保护的共享预测模型。在临床部署时，接受联邦学习的模型仍会在联邦外面完全看不见的霍斯群岛上使用时仍会遭受性能下降。在本文中，我们指出并解决了联合域的生成（FedDG）的新型问题设置，该设置旨在从多个分布式源域中学习联合模型，以便它可以直接概括为看不见的目标域。我们提出了一种新颖的方法，在持续频率空间（ELCF）中称为情节学习，通过启动每个客户端在数据分散率的挑战性约束下利用多源数据分布来利用多源数据分布。我们的方法通过有效的连续频率空间插值机制以隐私保护方式传输客户之间的分布信息。通过转移的多源分布，我们进一步仔细设计了面向边界的情节学习范式，以将本地学习暴露于域分布变化，尤其是在医学图像分割场景中尤其满足模型概括的挑战。在两个医学图像分割任务上，我们的方法的有效性优于最先进的表现和深入消融实验。可以在https://github.com/liuquande/feddg-elcfs上使用代码。
具有广义的全矢量谱元素方法...
IEEE 是一家非盈利组织，是世界上最大的技术专业组织，致力于推动技术进步，造福人类。© 版权所有 2023 IEEE - 保留所有权利。使用本网站即表示您同意条款和条件。
人工智能/机器学习在医疗健康领域的挑战：偏见、普遍性、隐私
另请参阅：可穿戴传感器在 SARS-CoV-2 感染检测中的表现：系统评价，Mitratza 和 Goodale 等人。《柳叶刀数字健康》
调整视觉语言模型以实现医学图像中的通用异常检测
大规模视觉语言预训练模型的最新进展已在自然图像领域中的零样本/少样本异常检测方面取得了重大进展。然而，自然图像和医学图像之间巨大的领域差异限制了这些方法在医学异常检测中的有效性。本文介绍了一种新颖的轻量级多级自适应和比较框架，以重新利用 CLIP 模型进行医学异常检测。我们的方法将多个残差适配器集成到预训练的视觉编码器中，从而实现不同级别视觉特征的逐步增强。这种多级自适应由多级、逐像素的视觉语言特征对齐损失函数引导，将模型的重点从自然图像中的对象语义重新校准到医学图像中的异常识别。调整后的特征在各种医学数据类型中表现出更好的泛化能力，即使在模型在训练期间遇到看不见的医学模态和解剖区域的零样本场景中也是如此。我们在医学异常检测基准上进行的实验表明，我们的方法明显优于当前最先进的模型，在零样本和少样本设置下，异常分类的平均 AUC 改进分别为 6.24% 和 7.33%，异常分割的平均 AUC 改进分别为 2.03% 和 2.37%。源代码可从以下网址获取：https://github.com/MediaBrain-SJTU/MVFA-AD
Generali Group合并结果，截至2024年12月31日，将军对“终生合作伙伴24：驱动增长”计划目标和实现RE
Generali Group首席执行官Philippe Donnet说：“ Generali在2024年取得了出色的成绩，对我们的财务目标进行了过度实现，并成功地将我们的“终身合作伙伴24：推动增长”战略计划带入了一个结束。这些结果进一步反映了我们通过我们采取的管理行动确保每个细分市场一致的有机增长的能力，同时成功整合了我们所收购的所有业务。今天的小组在其历史上处于最强的位置，这是我们记录的运行和调整后的净结果证明的，这得益于我们的人员和分销网络的努力和承诺。我们继续将我们的团队转变和多样化，成为全球领先的综合保险公司和资产经理，现在专注于加速我们对卓越的追求。我们雄心勃勃的新“终生合作伙伴27：卓越的计划”计划将推动强劲的收入增长，可靠的现金创造和增加的股东报酬。我们的AI和数据功能进一步提高了我们从快速变化的客户需求和新兴趋势中始终如一地捕捉机会的能力。”
基于重量分解的渐进学习在广义上很少的镜头分割
摘要：通用的很少的语义分割（GFSS）目标在学习一组基本类别的分割后，使用一些带注释的示例将新颖对象类别进行分割。典型的GFSS培训涉及两个阶段 - 基类学习，然后是新颖的课程和学习。尽管现有方法表现出了希望，但在新颖的班级数量显着时，它们通常会挣扎。大多数当前方法都冻结了编码器主链以保持基类精度；但是，冻结编码器骨架可以严重阻碍新班级中新型信息的同化。为了应对这一挑战，我们建议在GFSS中使用增量学习策略来学习编码器骨干和新型类原型。受到低级适应技术（LORA）最近成功的启发，我们通过新颖的重量分解方法向GFSS编码器主链引入了Increthorth学习。我们新提出的等级自适应权重合并策略对在编码器主链各个层中吸收的新颖性不同。在我们的工作中，我们还将增量学习策略介绍给新型类别的类原型学习。我们在Pascal-5 I和Coco-20 I数据库上进行了广泛的实验，展示了增量学习的有效性，尤其是当新颖的类人数超过基础类别时。使用我们提出的基于权重分解的增量学习（WFIL）方法，以概括性的语义分段建立了一组新的最先进的精度值。
远距离意识的非IID联合学习用于医学成像分段中的概括和个性化
医疗保健中的联邦学习（FL）患有非相同分布的（非IID）数据，从而影响模型收敛和性能。虽然现有的非IID问题解决方案通常不会量化联邦客户之间的非IID性质程度，但评估它可以改善培训经验和成果，尤其是在不熟悉数据集的现实世界中。本文提出了一种实用的非IID评估方法，用于医疗分割问题，强调了其在佛罗里达州的重要性。我们提出了一种简单而有效的解决方案，该解决方案利用了医疗图像的嵌入空间和对其元数据计算的统计测量结果。我们的方法是为医学成像而设计的，并集成到联邦平均值中，通过降低最遥远的客户的贡献，将其视为离群值，从而改善了模型的概括。此外，它通过引入客户的基于距离的聚类来增强模型个性化。据我们所知，这种方法是第一个使用基于距离的技术来为医学成像域内非IID问题提供实际解决方案的方法。此外，我们验证了三个公共FL成像放射学数据集的方法（Fets（Pati等人，2021），前列腺（Liu等人，2020b），（Liu等人，2020a）和Fed-Kits2019（Terrail等人，2022）））在各种放射学成像方案中证明其有效性。关键字：联合学习，非IID数据，个性化，概括，医学细分，医学成像。
班级概括错误：信息理论分析
现有的监督学习的概括理论通常采用整体方法，并为整个数据分布的预期概括提供了界限，该方法隐含地假设该模型对所有不同类别的概括都相似。但是，在实践中，不同类别之间的概括性能存在显着差异，而现有的泛化范围无法捕获。在这项工作中，我们通过从理论上研究班级化误差来解决这个问题，从而量化了每个单独类别的模型的概括性能。我们使用KL Divergence得出了一种新的信息理论，用于类临时误差，并使用有条件相互构成的有条件相互结合的最新进展进一步获得了几个更紧密的界限，从而实现了实际评估。我们从经验上验证了各种神经网络中提出的界限，并表明它们准确地捕获了复杂的类概括行为。此外，我们证明了这项工作中开发的理论工具可以应用于其他几种应用程序。
氯胺酮辅助心理治疗普遍焦虑症：一份全面的病例报告，使用磁脑电图进行整合的神经生理成像
此详细案例报告探讨了氯胺酮辅助心理治疗（KAP）在30年代后期的男性患者治疗焦虑症（GAD）（GAD）和抑郁症状中的应用。N-甲基-D-天冬氨酸（NMDA）受体拮抗剂氯胺酮由于其快速且稳健的抗抑郁作用而在情绪和焦虑症的治疗中取得了显着突破。临床前研究表明，氯胺酮促进了大脑的生物学改变，包括增强神经可塑性。然而，迄今为止，还没有使用磁脑摄影（MEG）（一种强大的功能性神经影像学方式）检查了KAP的纵向效应。静止状态MEG（RSMEG）扫描允许探索与KAP相关的情绪和焦虑症状变化的神经相关性，包括参与认知和情绪调节的大脑网络之间的功能连通性。在本案例研究中，一个中等重度GAD的成年男性参与者在基线时进行了两次RSMEG扫描和认知测试，在6个标准氯胺酮给药和2个整合会议中的6次会议中有4个，其中一部分是一项协议的一部分，该协议总共包括6次KAP会话和四次集成。我们在5个功能网络中测量了功能连接性 - 默认模式，注意力，中央执行，运动和视觉以及神经振荡活动。我们看到5个网络中的4个中的功能连接增加。这与皮质β活性的显着增加相吻合，抑制作用的标志，theta振荡的降低，GAD7和PHQ9分数的降低以及提高了注意力。总而言之，这些发现强调了RSMEG检测KAP诱导的大脑网络变化的能力，提供了一种有希望的工具，用于识别临床相关的神经相关性，可以通过电生理学变化来预测和监测治疗结果。
d-lmbmapx：在任何发育阶段进行自动全脑神经电路分析的广义深度学习管道
缺乏准确和全面分析的工具，阻碍了小鼠的全脑电路发展。没有现有的3D大脑图集提供每日产后分辨率，因为建造这种地图集是高度劳动的。轴突形态动态变化，使可靠的分割具有挑战性，许多2D数据集缺乏足够的Z分辨率用于交叉模式3D分析。在这里，我们提出了D-LMBMAPX，这是一种在产后发展的自动化全脑电路分析的深度学习管道。d-LMBMAPX构建高分辨率的3D小鼠大脑图谱，跨越了七个产后阶段，并在任何后日都采用自适应注册策略来进行全脑对齐。它还集成了用于轴突和SOMA分割的基础模型，从而实现了整个开发的定量电路评估。，我们实现了基于扩散模型的样式转移，以用于交叉模式和跨二维注册，并通过将遗传定义的神经元类型从2D ISH数据集对齐到我们的3D地图集进行了验证。使用D-LMBMAPX，我们在产后成熟过程中介绍了全脑多巴胺能预测。